Συλλογές
Τίτλος Τμηματοποίηση και στόχευση της πελατειακής βάσης με Clustering και RFM Analysis
Δημιουργός Ψυχογυιού, Ιωάννα
Συντελεστής Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας
Βρεχόπουλος, Αδάμ
Ανδρουτσόπουλος, Κωνσταντίνος
Λεκάκος, Γιώργος
Τύπος Text
Φυσική περιγραφή 86σ.
Γλώσσα el
Αναγνωριστικό http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=7432
Περίληψη The scope of this thesis is to show the way that the potentials of data analysis can be exploit, in order to help enterprises and organizations to recognize and find the segments of the market in which they are targeting and their specific features. As a result, the companies will be able to offer them competitive products, which will be able to fulfill customers’ needs in a better way. Nowadays, companies have access to a large dataset of variables, concerning their customers, which should be able to deploy in the decision-making process. Data mining techniques can contribute to this aim, through the recognition of patterns in the behavior of target group. On this thesis, we are going to show how algorithm k-means, the most famous of clustering algorithms, can be applied on real sales data of a Greek industrial company and how can contribute in the procedure of market segmentation. First of all, the signification of Customer Segmentation, RFM Analysis, and Clustering algorithms, especially k-means, will be presented. Afterwards, the sector in which the company under analysis operates, is being described, as well as the company itself. Then our data is been analyzed and it is shown how k-means algorithm can be used in the procedure of customer segmentation, following up with RFM Analysis. Last but not least, the technical details are been presented, as well as, the technical issues that came up in our analysis.
Ο σκοπός της παρούσας διπλωματικής εργασίας είναι να δείξει πως μπορούν να αξιοποιηθούν οι δυνατότητες που προσφέρει η ανάλυση και η εξόρυξη δεδομένων, προκειμένου να μπορέσουν οι επιχειρήσεις και οι οργανισμοί να αναγνωρίσουν και να εντοπίσουν τα τμήματα των καταναλωτών στα οποία απευθύνονται και τα ιδιαίτερα χαρακτηριστικά αυτών. Με αυτόν τον τρόπο θα είναι σε θέση να τους προσφέρουν ανταγωνιστικά προϊόντα που να ανταποκρίνονται καλύτερα στις ανάγκες τους. Οι επιχειρήσεις έχουν στα χέρια τους πληθώρα δεδομένων που αφορούν τους πελάτες τους και τα οποία θα πρέπει να αξιοποιήσουν κατά την διαδικασία της λήψης αποφάσεων. Οι τεχνικές data mining μπορούν να συμβάλλουν προς αυτόν τον σκοπό μέσω της αναγνώρισης μοτίβων στην συμπεριφορά του αγοραστικού κοινού. Στην παρούσα διπλωματική εργασία θα χρησιμοποιηθεί ο αλγόριθμος k-means, ο πιο γνωστός από τους αλγορίθμους συσταδοποίησης, πάνω σε πραγματικά δεδομένα πωλήσεων μιας ελληνικής χημικής βιομηχανίας, προκειμένου να δείξουμε πως μπορεί να εφαρμοστεί στην πράξη και ποια η συμβολή του κατά την διαδικασία της τμηματοποίησης της αγοράς. Αρχικά εξηγούμε εκτενώς τις έννοιες του Customer Segmentation, της RFM Analysis και των αλγόριθμων συσταδοποίησης, δίνοντας έμφαση στον k-means. Έπειτα, περιγράφουμε τον κλάδο στον οποίο δραστηριοποιείται η υπό εξέταση επιχείρηση, παρουσιάζουμε την υπό εξέταση εταιρεία και προχωράμε με την ανάλυση των δεδομένων μας. Στη συνέχεια, δείχνουμε πως μπορεί να χρησιμοποιηθεί ο αλγόριθμος k-means για την τμηματοποίηση της πελατειακής βάσης και προχωράμε με την RFM Analysis. Τέλος εξηγούμε τις τεχνικές λεπτομέρειες και δυσκολίες που προέκυψαν κατά την ανάλυση μας.
Λέξη κλειδί Αλγόριθμος k-means
Τμηματοποίηση πελατειακής βάσης
Εξόρυξη δεδομένων
Ανάλυση δεδομένων
Ομαδοποίηση
Data analysis
Data mining
K-means algorithm
Customer segmentation
Clustering
RFM Analysis
Διαθέσιμο από 2019-11-22 22:57:20
Ημερομηνία έκδοσης 11/13/2019
Ημερομηνία κατάθεσης 2019-11-22 22:57:20
Δικαιώματα χρήσης Free access
Άδεια χρήσης https://creativecommons.org/licenses/by/4.0/